Note ABES Drift detection and characterization for supervision, diagnosis and prognosis of dynamical systems Détection et caractérisation de dérives pour la supervision, le diagnostic et le pronostic de systèmes dynamiques complexes Processus non stationnaire 629.895 Détection de défaut (ingénierie) Systèmes complexes Défauts Prévision Classification automatique (statistique) Le travail présenté dans cette thèse traite l'intégration de diagnostic et de pronostic pour l'optimisation et l’aide à la décision d’actions de maintenance de systèmes complexes. Les défauts considérés dans ce travail sont les dérives. Une architecture générique pour la surveillance, le diagnostic et le pronostic basée sur le traitement des dérives est développée. La surveillance et le diagnostic permettent de déterminer le composant en défaillance et le mode opérationnel de défaut qui initie la dérive. Ensuite, le pronostic permet d’anticiper les défaillances du système en fournissant des informations sur les futurs États des composants. En se basant sur le retour du pronostic, des actions de maintenance préventive peuvent être alors considérées. Les méthodes employées sont basées sur les données. Ceci est d’autant plus intéressant parce que l’hypothèse de connaissance de modèle physique n’y est pas toujours vérifiée. A partir des données mesurées est construit (ou sont construits) un (des) espace(s) de représentation et de décision dans lequel sont matérialisées ou modélisées les classes de fonctionnement. L’environnement dynamique dans lequel se trouve le système peut (va) provoquer des dérives de fonctionnement qui auront comme conséquence un changement dans la structure des classes. Les techniques proposées sont sensibles à ces dérives et permettent de calculer des indicateurs de détection et de caractérisation de la dérive. La détection de dérive vise à détecter, dès que possible, l'apparition d'une dérive. La caractérisation de dérive a pour but de trouver le mode de défaillance entraînant la dérive et de calculer un indicateur de dégradation qui reflète l'état de santé. Le pronostic est fait en modélisant l'évolution de l'indicateur de dégradation du système et permet l’estimation d’RUL (durée de vie utile) ainsi qu'un intervalle de confiance qui lui est associé. Tous ces aspects sont combinés ensemble pour former l'architecture générique pour la surveillance, de diagnostic et de pronostic. The work presented in this thesis deal with the integration of diagnosis and prognosis for optimizing maintenance of complex systems. The particular kind of faults taken into consideration in this work is process drifts. A generic architecture for supervision, diagnosis and prognosis based on handling drifts is developed. The supervision/diagnosis can determine line components that need to be repaired, when fault occurs. It is based on handling the drift by considering indicators for detection and characterization. Then, the prognosis can anticipate system failures by providing information on future states of the components on which preventive maintenance actions may be considered. The developed methodology is based on treating data collected on a system, dropping the need for a mathematical description of the system. Using historically saved data and online generated data, a decision space is constructed, in which different classes corresponding to normal and failure operating modes exist. An incipient fault will cause a drift in the decision space, and consequently a change in the parameters of the classes. Thus, the decision space needs to be dynamically updated in order to treat those drifts. Then, indicators for drift detection and characterization, based on the parameter changes, are calculated. The aim of drift detection it is to detect, as soon as possible, the occurrence of a drift. Drift characterization deals with finding the failure mode causing the drift, and with calculating an indicator that reflects the health state. Prognosis models the evolution of the actual health system indicator, and estimates a RUL (Remaining Useful Life) as well as a confidence interval associated to it. All these aspects are combined together to form the generic architecture for supervision, diagnosis and prognosis. Electronic Thesis or Dissertation Text en PDF 5502936 text/html https://pepite-depot.univ-lille.fr/LIBRE/EDSPI/2014/50376-2014-Chammas.pdf https://theses.fr/2014LIL10064/abes Chammas Antoine Chammas 1987-04-10 LB 182339440 https://theses.fr/2014LIL10064 2014LIL10064 https://doi.org/10.70675/4d21918ezc0e0z486fz871cza2287baa456a 2014-04-18 Automatique, Génie informatique, Traitement du signal et des images Lille 1 026404184 Doctorat Docteur es non oui Lecœuche Stéphane MADS_DIRECTEUR_DE_THESE_1 104559144 Duviella Eric MADS_DIRECTEUR_DE_THESE_2 091296439 École doctorale Sciences pour l'ingénieur (Lille ; 1992-2021) MADS_ECOLE_DOCTORALE_1 147297028 École nationale supérieure des techniques industrielles et des mines (Douai, Nord). Département Informatique et Automatique (2005-2016) MADS_PARTENAIRE_DE_RECHERCHE_1 165837896 École nationale supérieure des techniques industrielles et des mines (Douai, Nord ; 1878-2016) MADS_PARTENAIRE_DE_RECHERCHE_2 030937809 ddc:620 Lecoeuche Stéphane Duviella Eric École doctorale Sciences pour l'Ingénieur (Lille) Informatique et automatique. École des mines de Douai École nationale supérieure des techniques industrielles et des mines de Douai PDF 5502936